Conceptos de

Probabilidad

Quantitative Analysis for Management by Render,

Stair, and Hanna © 2008 Prentice-Hall, Inc.
Aldo Salinas © 2009 Prentice-Hall, Inc.
 Introducción
◼ La vida es incierta, no estamos
seguros de lo que nos traerá el
futuro
◼ Riesgo y probabilidad es parte de
nuestra vida diaría
◼ Probabilidad es una afirmación
numérica sobre la probabilidad de
que ocurra un evento

© 2008 Prentice-Hall, Inc. 2–2

 Conceptos Fundamentales
1. La probabilidad, P, de que ocurra
cualquier evento o estado de la
naturaleza es mayor o igual a 0 y
menor o igual a 1. Es decir:

0  P (event)  1

2. La suma de las probabilidades

simples de todos los posibles
resultados de una actividad debe
ser igual a 1
© 2008 Prentice-Hall, Inc. 2–3
 Diversey Paint Example
◼ La demanda de pintura de Látex blanca en
Diversey Paint and Supply ha sido siempre de 0,
1, 2, 3, or 4 galones por día.
◼ Durante los últimos 200 días de trabajo, el dueño
ha tomado nota de las frecuencias de la
demanda
QUANTITY
NUMBER OF DAYS PROBABILITY
DEMANDED
0 40 0.20 (= 40/200)
1 80 0.40 (= 80/200)
2 50 0.25 (= 50/200)
3 20 0.10 (= 20/200)
4 10 0.05 (= 10/200)
Total 200 Total 1.00 (= 200/200)
© 2008 Prentice-Hall, Inc. 2–4
 Diversey Paint Example
◼ Demand for white latex paint at Diversey Paint
and Supply
Observe que lashas always been either 0, 1, 2, 3, or 4
probabilidades
individuales están
gallons per daytodas entre 0 y 1
◼ ≤Over
0 P (event) ≤ 1 200 days, the owner has observed
the past
the following frequencies of demand
Y el total de todas las
QUANTITY
probabilidades deNUMBER
los eventos es
OF DAYS PROBABILITY
DEMANDED
igual a 1
0 40 0.20 (= 40/200)
∑ P (event)
1 = 1.00 80 0.40 (= 80/200)
2 50 0.25 (= 50/200)
3 20 0.10 (= 20/200)
4 10 0.05 (= 10/200)
Total 200 Total 1.00 (= 200/200)

© 2008 Prentice-Hall, Inc. 2–5

 Tipos de Probabilidades
Determinar la probabilidad objetiva
◼ Frecuencia relativa
◼ Tipicamente basado sobre datos históricos

Número de ocurrencias del evento

P (evento) =
Número total de ensayos o resultados

◼ Método clásico o lógico

◼ Determinar lógicamente las probabilidades
sin intentos
1 Número de formas de obtener una cara
P (cara) =
2 Número de psoibles resultados (cara o cruz)

© 2008 Prentice-Hall, Inc. 2–6

 Tipos de Probabilidad

Probabilidad Subjetiva se basa en

la experiencia y el juicio de la
persona que hace la estimación.
◼ Encuestas de Opinion
◼ Juicio de expertos
◼ Método Delphi
◼ Otros métodos

© 2008 Prentice-Hall, Inc. 2–7

 Eventos Mutuamente
Excluyentes
Se dice que dos eventos son
mutuamente excluyentes si solamente
puede ocurrir uno de los eventos en
cada ensayo
◼ Lanzar una moneda dará
como resultado cara o
cruz
◼ Lanzar un dado dará
como resultado solo uno
de los seis eventos
posibles
© 2008 Prentice-Hall, Inc. 2–8
 Eventos Colectivamente
Exhaustivos
Se dice que los eventos son
colectivamente exhaustivos si la lista
de resultados incluye todos los
resultados posibles.
OUTCOME
PROBABILITY
OF ROLL
1 1/
◼ Los seis posibles 1/
6
2
resultados 3 1/
6

6
de lanzar un dado 4 1/
6
5 1/
6
6 1/
6
Total 1

© 2008 Prentice-Hall, Inc. 2–9

 Sacar una carta
Se le pide a usted que saque una carta de una
baraja de 52 cartas. Se definen los siguientes
eventos
P (se saca un 7) = 4/52 = 1/13
P (se saca un corazón) = 13/52 = 1/4

◼ Estos eventos no son mutuamente

excluyentes, dado que el 7 de corazones es
común a ambos eventos
◼ Estos dos eventos no son colectivamente
exhaustivos ya que hay otras cartas en el
mazo además de 7s y corazones.
© 2008 Prentice-Hall, Inc. 2 – 10
 Regla de la adición de eventos
mutuamente excluyentes
A menudo queremos saber si dos eventos
se producen al mismo tiempo
◼ Cuando dos eventos son mutuamente
excluyentes, la ley de la adición es:

P (evento A or evento B) = P (evento A) + P (evento B)

P (espada o trébol)= P (espada) + P (trébol)

= 13/52 + 13/52
= 26/52 = 1/2 = 0.50 = 50%

© 2008 Prentice-Hall, Inc. 2 – 11

 Regla de la adición de eventos no
mutuamente excluyentes
La ecuación debe modificarse para tener en
cuenta la doble contabilización.
La probabilidad se reduce restando la
posibilidad de que ambos eventos ocurran
juntos
P (evento A o evento B) = P (evento A) + P (evento B)
– P (evento A y evento B ocurriendo al mismo tiempo)
P (A o B) = P (A) + P (B) – P (A y B)
P(cinco o corazones) = P(cinco) + P(corazones) – P(cinco y
corazones)
= 4/52 + 13/52 – 1/52
= 16/52 = 4/13
© 2008 Prentice-Hall, Inc. 2 – 12
 Diagrama de Venn

P (A and B)

P (A) P (B) P (A) P (B)

Eventos que son Eventos que no son

mutuamente excluyentes mutuamente excluyentes

P (A o B) = P (A) + P (B) P (A o B) = P (A) + P (B)

– P (A y B)
Figure 2.1 Figure 2.2
© 2008 Prentice-Hall, Inc. 2 – 13
 Eventos Estadísticamente
Independientes
Los eventos pueden ser dependientes
o independientes
◼ Los eventos deben ser independientes:
Si un evento ocurre , no tiene ningún
efecto sobre la probabilidad de que otro
evento acontezca.
◼ Los eventos deben ser dependientes:
la probabilidad de que un evento ocurra
depende de la probabilidad de que el
otro evento haya ocurrido

© 2008 Prentice-Hall, Inc. 2 – 14

 ¿Qué conjuntos de eventos son
independientes?

1. (a) Tú educación
Eventos
(b) Tú nivel de ingreso dependientes
2. (a) Sacar un siete de corazones de una baraja Eventos
completa de 52 cartas independientes
(b) Sacar un siete de espadas de una baraja
completa de 52 cartas
3. (a) Real Madrid gana la liga de campeones Eventos
dependientes
(b) Real Madrid gana el mundial de clubes

4. (a) Nieva en Santiago, Chile Eventos independientes

(b) Llueve en Tel Aviv, Israel

© 2008 Prentice-Hall, Inc. 2 – 15

 Tres tipos de probabilidades
◼ Probabilidad Marginal (o simple) es solo la
probabilidad de que ocurra un evento
P (A)
◼ Probabilidad conjunta es la probabilidad de que
ocurran dos o más eventos y es el producto de
sus probabilidades marginales para eventos
independientes
P (AB) = P (A) x P (B)
◼ La probabilidad Condicional es la probabilidad del
evento B dado que el evento A ha ocurrido
P (B | A) = P (B)
◼ O la probabilidad del evento A dado que ha
ocurrido el evento B
P (A | B) = P (A)
© 2008 Prentice-Hall, Inc. 2 – 16
 Ejemplo de probabilidad
conjunta
La probabilidad de sacar un 6 en el primer
lanzamiento de un dado y un 2 en el segundo
lanzamiento

P (6 en el primero y 2 en el segundo)
= P (obtener un 6) x P (obtener un 2)
= 1/6 x 1/6 = 1/36 = 0.028

© 2008 Prentice-Hall, Inc. 2 – 17

 Eventos Independientes
Una urna contiene 3 bolillas negras y 7 bolillas
verdes.
Sacamos una bolilla de la urna , la reemplazamos y
sacamos una segunda bolilla
1. Extraer una bolilla negra en el primer evento
P (N) = 0.30 (es una probabilidad marginal)
2. Extraer dos bolillas verdes
P (VV) = P (V) x P (V) = 0.7 x 0.7 = 0.49
(una probabilidad conjunta para dos eventos
independientes)

© 2008 Prentice-Hall, Inc. 2 – 18

 Eventos Independientes
Una urna contiene 3 bolillas negras y 7 bolillas verdes.
Sacamos una bolilla de la urna, la reemplazamos y
sacamos una segunda bolilla
3. Extraer una bolilla negra en el segundo evento
dado que la primera bolilla fue verde
P (N | V) = P (N) = 0.30
(una probabilidad condicional pero igual a la marginal ya que
los dos eventos son independientes)
4. Extraer una bolilla verde en el segundo evento
dado que en el primer evento se obtuvo una
verde
P (V | V) = P (V) = 0.70
(una probabilidad condicional como en evento 3)
© 2008 Prentice-Hall, Inc. 2 – 19
 Eventos Estadísticamente
Dependientes
La probabilidad marginal de que ocurra un evento

P (A)
Calcular probabilidades condicionales es un poco
más complicado. La probabilidad del evento A dado
que el evento B ha ocurrido es
P (AB)
P (A | B) =
P (B)

La fórmula para la probabilidad conjunta de dos

eventos es
P (AB) = P (B | A) P (A)
© 2008 Prentice-Hall, Inc. 2 – 20
 ¿Cuando los eventos son
dependientes?
Supongamos que tenemos una urna que contiene
10 bolillas con las siguientes descripciones:
◼ 4 son blancas (B) y contiene letras (L)
◼ 2 son blancas (B) y numeradas (N)
◼ 3 son amarillas (A) y contiene letras (L)
◼ 1 es amarilla (A) y numerada (N)

P (BL) = 4/10 = 0.4 P (AL) = 3/10 = 0.3

P (BN) = 2/10 = 0.2 P (AN) = 1/10 = 0.1
P (B) = 6/10 = 0.6 P (L) = 7/10 = 0.7
P (A) = 4/10 = 0.4 P (N) = 3/10 = 0.3

© 2008 Prentice-Hall, Inc. 2 – 21

 ¿Cuando los eventos son
dependientes?

4 blancas(B)
y 4
con letras (L) Probability (BL) =
10

2 blancas (B)
La Urna y 2
contiene 10 Probability (BN) =
Numeradas (N) 10
bolillas

3 amarillas (A)
y 3
Probability (AL) =
Con letras (L) 10

1 Amarilla (A) 1
Figure 2.3 Y numerada (N) Probability (AN) =
10
© 2008 Prentice-Hall, Inc. 2 – 22
 ¿Cuando los eventos son
dependientes?
La probabilidad condicional de que la bolilla
extraída tenga una letra, dado que es amarilla, es

P (AL) 0.3
P (L | A) = = = 0.75
P (A) 0.4

Verificar P (AL) utilizando la fórmula de probabilidad conjunta

P (AL) = P (L | A) x P (A) = (0.75)(0.4) = 0.3

© 2008 Prentice-Hall, Inc. 2 – 23

 Probabilidades conjuntas
para eventos dependientes
Si el mercado de valores alcanza los 12.500 puntos
en enero, hay un 70% de probabilidad de que las
acciones de Tubeless Electronics suban
◼ Hay un 40% de posibilidades de que el
mercado de valores llegue a 12.500
◼ Sea M el evento de que el mercado de valores
llegue a 12 500 y sea T el evento de que
Tubeless suba de valor

P (MT) = P (T | M) x P (M) = (0.70)(0.40) = 0.28

© 2008 Prentice-Hall, Inc. 2 – 24

 Revisando Probabilidades con
Teorema de Bayes
El teorema de Bayes se usa para incorporar
información adicional y ayudar a crear
probabilidades posteriores

Probabioidades
previas

Proceso Probabilidades
de Bayes Posterior

Nueva
Información

Figure 2.4
© 2008 Prentice-Hall, Inc. 2 – 25
 Probabilidades Posteriores
Una copa contiene dos dados idénticos en
apariencia pero uno es legal (balanceado), el otro
está cargado (sesgado)
La probabilidad de sacar un 3 en el dado legal es 1/6 o 0.166
◼ La probabilidad de sacar el mismo número en el dado
cargado es 0.60
◼ Seleccionamos uno al azar y lo
Lanzamos. El resultado es un 3
◼ ¿Cuál es la probabilidad de que
el dado lanzado haya sido el legal?
◼ ¿Cuál es la probabilidad de que
se haya lanzado el dado cargado?

© 2008 Prentice-Hall, Inc. 2 – 26

 Probabilidades Posteriores
Sabemos que la probabilidad de que el dado
lanzado sea justo o cargado es:
P (fair) = 0.50 P (loaded) = 0.50
And that
P (3 | fair) = 0.166 P (3 | loaded) = 0.60

Luego calculamos las probabilidades

conjuntas de P (3 and fair) and P (3 and
loaded)
P (3 and fair) = P (3 | fair) x P (fair)
= (0.166)(0.50) = 0.083
P (3 and loaded) = P (3 | loaded) x P (loaded)
= (0.60)(0.50) = 0.300
© 2008 Prentice-Hall, Inc. 2 – 27
 Probabilidades Posteriores
Sabemos que la probabilidad de que el dado
lanzado sea justo o cargado es:
P (fair) = 0.50 PLa suma de
(loaded) estas probabilidades
= 0.50
nos da la probabilidad
And that
incondicional de sacar un 3
P (3 | fair) = 0.166 P (3 | loaded) = 0.60
P (3) = 0.083 + 0.300 = 0.383
Luego calculamos las probabilidades
conjuntas de P (3 and fair) and P (3 and
loaded)
P (3 and fair) = P (3 | fair) x P (fair)
= (0.166)(0.50) = 0.083
P (3 and loaded) = P (3 | loaded) x P (loaded)
= (0.60)(0.50) = 0.300
© 2008 Prentice-Hall, Inc. 2 – 28
 Probabilidades Posteriores
Si un 3 ocurre, la probabilidad de que el dado
lanzado sea legal es
P (fair and 3) 0.083
P (fair | 3) = = = 0.22
P (3) 0.383

La probabilidad de que el dado esté cargado es

P (loaded and 3) 0.300

P (loaded | 3) = = = 0.78
P (3) 0.383
◼ Estas dos probabilidades condicionales se llaman
probabilidades revisadas o posteriores para el próximo
lanzamiento del dado
◼ Las usamos para revisar nuestras probabilidades previas
© 2008 Prentice-Hall, Inc. 2 – 29
 Cálculo de Bayes
Dado que el evento B ha ocurrido
STATE OF P (B | STATE PRIOR JOINT POSTERIOR
NATURE OF NATURE) PROBABILITY PROBABILITY PROBABILITY

A P(B | A) x P(A) = P(B and A) P(B and A)/P(B) = P(A|B)

A’ P(B | A’) x P(A’) = P(B and A’) P(B and A’)/P(B) = P(A’|B)
P(B)

Table 2.2
Dado que se obtuvo un 3
STATE OF P (B | STATE PRIOR JOINT POSTERIOR
NATURE OF NATURE) PROBABILITY PROBABILITY PROBABILITY

Fair die 0.166 x 0.5 = 0.083 0.083 / 0.383 = 0.22

Loaded die 0.600 x 0.5 = 0.300 0.300 / 0.383 = 0.78
P(3) = 0.383

Table 2.3

© 2008 Prentice-Hall, Inc. 2 – 30

 Forma General del Teorema de
Bayes
Podemos calcular probabilidades revisadas
directamente usando

P ( B | A) P ( A)
P( A | B) =
P ( B | A) P ( A) + P ( B | A ) P ( A )

Donde
A = El complemento del evento A
Por ejemplo, si A es el evento “dado legal”,
entonces A es “dado cargado”

© 2008 Prentice-Hall, Inc. 2 – 31

 General Form of Bayes’ Theorem

This is basically what we did in the previous example

If we replace A with “fair die”
Replace A with “loaded die
Replace B with “3 rolled”
We get

P ( fair die | 3 rolled)

P (3 | fair ) P ( fair )
=
P (3 | fair ) P ( fair ) + P (3 | loaded) P (loaded)
(0.166 )(0.50 ) 0.083
= = 0.22
(0.166 )(0.50 ) + (0.60 )(0.50 ) 0.383
© 2008 Prentice-Hall, Inc. 2 – 32